La notizia in sintesi
- MIT presenta FTTE, un sistema per addestrare IA sui dispositivi mantenendo i dati locali.
- Il metodo accelera dell’81% l’addestramento federato nelle simulazioni svolte dai ricercatori.
- Ridotti anche memoria richiesta sui dispositivi e volume delle comunicazioni con il server.
- L’obiettivo riguarda applicazioni sensibili in sanità, finanza e contesti con hardware limitato.
(Riassunto generato con AI)
MIT accelera l’IA privata sui dispositivi
Massachusetts Institute of Technology ha sviluppato FTTE, un nuovo metodo di addestramento dell’intelligenza artificiale progettato per rendere più rapido il federated learning su smartwatch, sensori e telefoni con risorse limitate. La ricerca, firmata da Irene Tenison con Anna Murphy, Charles Beauville e Lalana Kagal, punta a mantenere i dati personali sui singoli dispositivi anziché trasferirli a un server centrale. Il lavoro, pubblicato da MIT News il 29 aprile 2026, sarà presentato alla IEEE International Joint Conference on Neural Networks.
La novità interessa soprattutto sanità e finanza, settori nei quali privacy, sicurezza e affidabilità del trattamento dei dati sono requisiti centrali. Secondo il MIT, il sistema potrebbe estendere l’impiego di modelli di IA più accurati anche dove connettività, memoria e potenza di calcolo non sono costanti. Il punto non è sostituire i grandi server, ma portare capacità di addestramento distribuito su dispositivi usati quotidianamente.
Come funziona il framework FTTE
Nel federated learning tradizionale, un server invia un modello AI a una rete di dispositivi: ogni apparecchio lo addestra con dati locali e restituisce soltanto gli aggiornamenti del modello. Questo meccanismo tutela i dati, ma presuppone memoria sufficiente e collegamenti stabili, condizioni che non sempre appartengono a telefoni, sensori wireless e smartwatch. Il server, inoltre, tende ad attendere tutti gli aggiornamenti prima di avviare il ciclo successivo, con ritardi che possono rallentare o bloccare l’addestramento.
FTTE, acronimo di Federated Tiny Training Engine, affronta questi limiti con tre interventi. Invece di spedire il modello completo a ogni dispositivo, invia un sottoinsieme di parametri selezionati per rispettare il limite di memoria dell’hardware meno potente nella rete. Il server procede poi in modo semi-asincrono, raccogliendo gli aggiornamenti fino a una capacità stabilita senza attendere necessariamente tutti i partecipanti.
Infine, il sistema attribuisce un peso minore agli aggiornamenti ricevuti più tardi, così che informazioni ormai datate incidano meno sul modello. “Questo lavoro riguarda il portare l’IA su piccoli dispositivi dove oggi non è possibile eseguire questi potenti modelli”, ha spiegato Irene Tenison. La soluzione cerca quindi di includere anche gli apparecchi meno performanti, senza lasciare inattivi quelli più capaci.
Risultati, limiti e prossimi test
Nelle simulazioni condotte su centinaia di dispositivi eterogenei, FTTE ha completato l’addestramento in media l’81% più velocemente rispetto agli approcci standard. Il MIT riferisce inoltre una riduzione dell’80% del sovraccarico di memoria sul dispositivo e del 69% del carico di comunicazione, con un’accuratezza vicina a quella delle altre tecniche valutate.
Il risultato comporta un compromesso: la maggiore velocità può determinare un lieve calo di accuratezza. Tenison ritiene però che questa riduzione possa essere accettabile in alcune applicazioni, considerando il risparmio di tempo e batteria. I ricercatori hanno testato FTTE anche su una piccola rete reale e intendono ora valutarlo su hardware più esteso e per modelli personalizzati su ciascun dispositivo.
FAQ
Che cos’è FTTE sviluppato dal MIT?
Sì, FTTE è un framework di federated learning che riduce memoria e comunicazioni necessarie per addestrare modelli AI su dispositivi con risorse limitate.
Quanto accelera l’addestramento federato?
Sì, nelle simulazioni dei ricercatori FTTE ha raggiunto il completamento dell’addestramento mediamente l’81% più rapidamente rispetto ai metodi federati standard.
I dati personali vengono inviati al server?
No, nel federated learning descritto dal MIT i dati restano sul dispositivo; al server vengono trasferiti gli aggiornamenti del modello AI.
Quali dispositivi possono usare questa tecnologia?
Sì, il metodo è pensato per smartwatch, sensori wireless, telefoni cellulari e altri edge device con memoria, calcolo o connettività limitati.
Come è stata verificata questa analisi?
Sì, il contenuto nasce da un’analisi approfondita e da una verifica incrociata condotta dalla nostra Redazione su numerose fonti, tra cui MIT News | Massachusetts Institute of Technology.
